写在前面
本文主要介绍了如下四个函数的参数意义及其函数用法，如有不恰当的地方，还请不吝指正！！！
-
tf.concat( )
-
tf.stack( )
-
tf.unstack( )
-
tf.split( )
写在中间
一、tf.concat( )函数
（ 1 ）简单介绍
tf.concat(values, axis)
-
values是一个张量列表[tensor1, tensor2, tensor3, ...]，表示需要连接的张量。 -
axis是一个整数，可正可负，表示连接轴的方向。
（ 2 ）学会使用
分别定义两个二维，形状 shape = (2, 3) 的张量，使它们在第一个维度上面拼接,
-
将第一个维度的中括号打开：
[ [1, 2, 3], [4, 5, 6] ] ——> [1, 2, 3], [4, 5, 6]
[ [7, 8, 9], [10, 11, 12] ] ——> [7, 8, 9], [10, 11, 12] -
合并后中括号还原：
[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12] ——> [ [1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12] ]
import tensorflow as tf
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9], [10, 11, 12]])
tensor = tf.concat([tensor1, tensor2], 0)
print(tensor.shape) # (4, 3)
如果将上面的两个张量在第2个维度上面拼接，又该怎样做呢？
在第二个维度的拼接，不干扰第一个维度的张量，
-
将第二个维度的中括号打开：
[ [1, 2, 3], [4, 5, 6] ] ——> [ 1, 2, 3, 4, 5, 6]
[ [7, 8, 9], [10, 11, 12] ] ——> [ 7, 8, 9, 10, 11, 12] -
将1, 2, 3与7, 8, 9对应，将4, 5, 6与10, 11, 12对应拼接，合并后中括号还原
[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 10, 11, 12] ——> [ [ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 10, 11, 12] ]
再举一个例子，还是这个三维的张量理解成【班级，学生，科目】，axis 分别对应0, 1, 2，或-3, -2, -1
import tensorflow as tf
# 收集4个班级35名学生的8个科目的成绩
tensor1 = tf.ones([4, 35, 8])
# 收集2个班级35名学生的8个科目的成绩
tensor2 = tf.ones([2, 35, 8])
# 在班级维度上拼接张量，
tensor = tf.concat([tensor1, tensor2], axis=0)
print(tensor.shape) # 输出：(6, 35, 8)
理解方式和上面的方法相同，如果单看结果还是很简单的
此函数操作后不产生新的维度，下面的stack()函数就会产生新的维度
二、tf.stack( )函数
（ 1 ）简单介绍
tf.stack(values, axis=0,)
-
values: 是一个张量列表[tensor1, tensor2, tensor3, ...]，表示需要连接的张量，它们将沿着新的维度堆叠在一起。这些张量应该有相同的形状。 -
axis: 一个整数，可正可负，表示沿哪个维度堆叠张量。
（ 2 ）代码示例
import tensorflow as tf
# 创建两个形状都为 [2, 3] 的张量
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9], [10, 11, 12]])
# 使用 tf.stack() 函数沿 axis = 0 将两个张量堆叠在一起
stacked_tensor = tf.stack([tensor1, tensor2], axis=0)
print(stacked_tensor)
# 输出
tf.Tensor(
[[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]], shape=(2, 2, 3), dtype=int32)
三、tf.unstack( )函数
tf.unstack(value, axis)
-
value: 一个多维 Tensor 张量。 -
axis: 一个整数，表示要将输入 Tensor 张量沿哪个轴（axis）进行分解。如果axis的值为负数，则从反向轴（倒数轴）开始分解。如果同时提供了axis和num参数，则优先使用axis参数。
（ 2 ）重点理解
tf.unstack 的作用是将输入的 Tensor 张量沿着指定的轴（axis）分解成多个 Tensor 张量。例如，如果输入的 Tensor 张量形状为 [2, 4, 35, 8]，沿轴 8（第四维）进行分解，则会得到8个形状为 [2, 4, 35] 的 Tensor 张量。
import tensorflow as tf
tensor1 = tf.ones([4, 35, 8])
tensor = tf.unstack(tensor1, axis=2)
print(tensor[0].shape, tensor[3].shape, tensor[7].shape)
# 输出：(4, 35) (4, 35) (4, 35)
四、tf.split( )函数
tf.split(value, num_or_size_splits, axis)
-
value: 一个多维张量。 -
num_or_size_splits: 要拆分的张量数量或每个拆分的大小。可以是一个整数（表示拆分的数量）或一个一维张量（表示每个拆分的大小）。 -
axis: 一个整数，表示沿着哪个轴进行拆分。
num_or_size_splits为数字的情况
import tensorflow as tf
tensor1 = tf.ones([2, 4, 35, 8])
# 拆分为2个形状为[2, 4, 35, 4]的张量
tensor = tf.split(tensor1, axis=3, num_or_size_splits=2)
print(tensor[0].shape, tensor[1].shape) # 输出：[2, 4, 35, 4] [2, 4, 35, 4]
num_or_size_splits为一维向量的情况
import tensorflow as tf
tensor1 = tf.ones([2, 4, 35, 8])
# 在第三个轴上，按照2 / 2 / 4 形状拆分的张量
tensor = tf.split(tensor1, axis=3, num_or_size_splits=[2, 2, 4])
print(tensor[0].shape, tensor[1].shape, tensor[2].shape)
# 输出：(2, 4, 35, 2) (2, 4, 35, 2) (2, 4, 35, 4)